回转体结构工件在航空航天和化工等领域有着广泛应用,然而在其制造和使用过程中会造成内部缺陷,影响使用的可靠性和安全性。因此对回转体工件的无损检测一直是产品生产和使用过程中的重要一环。常规超声检测方法是目前回转体缺陷检测最常用的方法,采用人工检测、根据波高判定有无缺陷。该方法检测效率低,检测精度在很大程度上依赖检测人员的经验和技术水平,具有较大局限性,很难成为通用的评定方法。论文针对典型结构的回转体工件,在传统超声检测方法的基础上,研究了回转体工件的超声检测扫描方式、声场计算及缺陷回波仿真技术、降噪及特征提取技术、缺陷类型识别技术和缺陷重构技术。采用最小均方自适应滤波方法对检测回波信号进行整体降噪,有效地减小了超声回波信号中的噪声信号,明显提高了信噪比,为缺陷特征回波的有效、准确提取提供了有力的保障;采用多元高斯声束声场模型分析了回转体工件检测时的超声声场传播情况,建立了超声波在回转体工件中传播的有限元仿真模型,并进行了几种典型缺陷不同方向的缺陷回波仿真,通过实验数据对比,验证了仿真方法的有效性。为后续缺陷识别与重构提供数据支撑。针对回转体工件内部三种典型缺陷(圆形、椭圆形和矩形)的几何形状特征,深入研究了多维超声回波信号的表征方法及内部缺陷智能识别方法。首先,提出利用总体经验模态分解(EEMD)方法对超声回波信号进行分解,结合特征量的物理意义,选择能量分布和信息熵分布作为缺陷类型识别模型的输入特征量,并对EEMD的分解层数进行了确定;其次,基于决策树方法建立了缺陷类型智能识别模型,缺陷的识别精度可达88%以上。同时,为了进一步提升模型的泛化性能与鲁棒性,本文提出利用随机森林方法建立了包含多个弱分类器的强识别模型,缺陷识别精度超过了92%,并大大提升了模型的稳定性。此外,本文还针对回转体工件中存在多个缺陷且缺陷位置偏离工件中心的情况,提出利用SOM神经网络对各个缺陷的近端区、远端区和过渡区进行识别,利用近端区域的超声回波信号建立缺陷识别模型,在建模数据集大大减少的情况下(仅为截面一圈全部数据的约1/15),近端模型的识别精度也较截面一圈全部数据模型有显著改善(90.14%vs.85.32%)。结合超声波的传播原理和截面检测的B扫描回波信号,分析了传统基于传播时间—路径的缺陷重构方法的不足及产生原因,揭示了缺陷边界与超声波前弧线相切的规律,提出了基于传播时间—弧相切拟合的缺陷重构方法,从原理上克服了传统重构方法产生误差的根源,研究了圆模型缺陷、椭圆模型缺陷和矩形模型缺陷重构的实现方法;针对椭圆模型与波前圆弧相切不易获取闭合方程的问题,提出了一种在局部区域采用圆与圆相切代替椭圆与圆相切,最终根据切点来对椭圆进行边界拟合的缺陷重构实现方法;为了准确提取超声回波在工件中的传播时间,采用基于解卷积的方法提取了下表面回波和缺陷特征回波的时间位置;利用本文的缺陷重构方法对一实际工件在不同截面上的缺陷进行了重构,用体绘制方法三维显示了缺陷检测结果,实验结果表明:检测出的缺陷位置与X射线扫描结果相符,检测出的缺陷尺寸与实际相符。论文针对回转体工件内部缺陷的超声检测问题,从理论、仿真、实验和信号处理方面进行了系统的研究,具有重要的理论意义和工程应用价值,同时也为类似结构的超声检测,提供了理论依据和借鉴方法。